En transkribering kan skilja röster åt men vet inte vilken som är agenten. Spara varje agent en gång, från ett av deras egna samtal, så kommer varje samtal därefter tillbaka med agenten namngiven, en sammanfattning överst och ett kalkylblad redo för QA.
En QA-ansvarig som granskar supportsamtal genom att lyssna hinner med en handfull om dagen, och ett samtal på sju minuter tar sju minuter hur snabbt man än klickar. Som text är samma samtal ungefär tusen ord, en sida, och en sida kan skummas, sökas och klistras in i ett ärende. Transkribering av kundtjänstsamtal gör om de inspelningar som ditt telefonsystem redan sparar till sådana sidor. Tre saker avgör om sidorna är till nytta: om varje rad säger vem som talade, agent eller kund; om samtalet kommer med en kort sammanfattning av vad som efterfrågades och vad man kom överens om; och om resultatet hamnar där teamet arbetar, i en CRM-anteckning eller ett QA-kalkylblad.
Den här artikeln går igenom arbetsflödet med VocalStack: inspelade samtal som skickas via API:et, agenten som känns igen med namn, en sammanfattning för varje samtal och exporter i JSON och Excel. Den säger också rakt ut vad VocalStack inte gör för ett supportteam, eftersom en del av det spelar roll innan det första samtalet laddas upp.
De flesta telefon- och kontaktcentersystem kan exportera samtalsinspelningar som ljudfiler, eller ge varje inspelning en nedladdningslänk. Båda fungerar. POST /v1/transcriptions tar en fil som multipart-uppladdning, eller en JSON-body med en url som servern hämtar själv. Filhandledningen går igenom anropet i detalj; för samtal är de här inställningarna viktiga, alla inom settings:
speakerLabels: sätt den till on, så att varje rad i ett samtal mellan två personer har en talare. Standardläget, When Needed (auto), märker rader först när en andra talare hörs, vilket passar en föreläsning bättre än ett samtal.summary och title: båda är av om du inte ber om dem. När de är på skrivs en titel och en kort sammanfattning för samtalet när det har transkriberats.spokenLanguage: ange det när du vet det, till exempel i en kö som bara tar emot samtal på ett språk. Utelämnar du det upptäcks språket, bland 100.Uppladdningen svarar direkt med ett transkriptions-id; orden kommer lite senare. Skicka en Idempotency-Key med varje uppladdning: ett nytt försök med samma nyckel och body inom 24 timmar returnerar den första transkriptionen i stället för att skapa, och fakturera, en andra. Samtalets eget id från ditt telefonsystem är en naturlig nyckel.
import { VocalStack } from '@vocalstack/js-sdk';
const vs = new VocalStack({ baseUrl: '{{api}}', apiKey: process.env.VOCALSTACK_API_KEY });
const tx = await vs.transcriptions.create(
{
file: './calls/48213.mp3',
name: 'Ticket 48213',
settings: { speakerLabels: 'on', summary: true, title: true },
},
{ idempotencyKey: 'call-48213' },
);
const job = await vs.transcriptions.waitForJob(tx.id, { intervalMs: 5000 });
if (job.state !== 'done') throw new Error(`call 48213: ${job.state} ${job.error ?? ''}`);
En natts inspelningar kan laddas upp i en enda loop. Varje abonnemang bestämmer hur många transkriptioner som körs samtidigt, och en fil över det antalet avvisas inte: den skapas, väntar som queued och startar av sig själv när en tidigare avslutas. Gränsen du kan nå är antalet transkriptioner som ett konto får starta via API:et per timme; siffrorna för varje abonnemang finns på prissidan. Det finns inga webhooks, så ditt skript pollar varje jobb tills det är klart, vilket waitForJob gör åt dig.
Talarmarkeringar kommer från diarisering: inspelningen delas upp i repliker, och replikerna grupperas efter röst. Det som kommer tillbaka är "Speaker 1" och "Speaker 2". Systemet kan skilja två röster åt, men ingenting i ljudet säger vilken som är anställd hos dig. Diarisering jämfört med taligenkänning förklarar mekaniken; för supportsamtal är det praktiska svaret att spara varje agent en gång.
En sparad talare är ett röstavtryck med ett namn. När den finns jämför varje ny transkription i kontot rösterna den hör med dina sparade talare, och en träff för med sig namnet in i transkriptet. Filer matchas automatiskt, så agentens rader kommer fram som "Dana" i stället för "Speaker 1". Kunden förblir numrerad tills du namnger hen.
Ta avtrycket från ett av agentens egna samtal i stället för från en inspelning vid ett skrivbord. En röst i ett headset i ett tyst rum och samma röst på en telefonlinje kan låta mindre lika för en maskin än två olika personer inspelade på samma sätt, och avtrycket matchar bäst mot ljud som liknar det ljud det kom från. POST /v1/speakers/from-appearance sparar en talare direkt från en transkription, med den talarens egna avsnitt av samtalet som prov. appearance är det speaker-index som talarens rader bär.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Att spara en talare på det här sättet behåller bara avtrycket, från minst 5 sekunder av talarens tal; ett samtal där agenten talar i en minut eller mer ger ett stadigare. Röstkloning är ett separat steg som kräver personens samtycke, och ett supportarbetsflöde har ingen nytta av det.
Därefter visar ett färdigt samtals transkript vem som kändes igen. GET /v1/transcriptions/{id}/transcript listar speakers, och en talare som matchats mot en sparad har identified: true och det sparade namnet. Resten kan namnges med ett anrop vardera, PUT /v1/transcriptions/{id}/appearances/{number}, där number är talarens visningsnummer. Namnet lagras på transkriptionen, så varje export efter det visar "Customer" i stället för ett nummer.
const { speakers } = await vs.transcriptions.transcript(tx.id);
for (const s of speakers) {
if (!s.identified && s.number != null) await vs.transcriptions.nameAppearance(tx.id, s.number, 'Customer');
}
Behandla "alla som inte känns igen är kunden" som en tumregel och kontrollera den på dina egna samtal. En överföring ger en andra agent, en inspelad menyröst kan uppfattas som en egen röst, och en agent som ännu inte sparats ser precis ut som en kund. Notera också hur jämförelsen avgränsas: varje transkription jämförs med de 64 sparade talare som senast uppdaterades i kontot, så ett större team ska inte räkna med att varje agent känns igen i varje samtal.
Två egenskaper hos telefonljud är bra att känna till innan du bedömer etiketterna. En inspelning med två kanaler, agenten till vänster och kunden till höger, mixas ner till en kanal vid transkriberingen, så talare skiljs åt på sina röster, inte på sin kanal. Och en smalbandig telefonlinje bär ingenting över ungefär 3,4 kHz, vilket tar bort en del av det som gör två röster olika; korta, överlappande repliker ("ja", "mm-hm", "förlåt, fortsätt") är där etiketterna oftast blir fel.
Med summary och title på får varje samtal en titel och några meningar om vad det gällde när transkriptet är slutgiltigt. Det är det som läggs i ärendet, så att nästa agent känner till historiken utan att öppna något. Sammanfattningen skrivs efter transkriptet, så läs den med GET /v1/transcriptions/{id}/summary och vänta medan dess state är pending:
let sum = await vs.transcriptions.summary(tx.id);
while (sum.state === 'pending') {
await new Promise((r) => setTimeout(r, 3000));
sum = await vs.transcriptions.summary(tx.id);
}
När state är ready innehåller title och summary texten. En inspelning kortare än en minut får aldrig en sammanfattning (not_requested), vilket spelar roll för röstmeddelanden: de flesta röstmeddelanden är så korta att transkriptet är sin egen sammanfattning. Ett samtal som gjordes utan summary kan få en senare med POST /v1/transcriptions/{id}/summarize. Sammanfattningar ingår i varje abonnemang utan extra kostnad.
GET /v1/transcriptions/{id}/export returnerar en fil i ett av sju format: json, xlsx, pdf, srt, vtt, txt eller md. Varje export innehåller rättelser och de talarnamn du har gett. För ett supportteam gör två av dem det mesta av jobbet.
JSON för din egen kod. JSON-exporten har samtalets name, language, durationS och, med summary=true, dess summary, därefter segments: en post per rad, med start och end i sekunder, speaker, speakerName, text, en confidence, om raden var corrected och words med egna tidpunkter. Det räcker för att ett skript ska kunna bygga en CRM-anteckning (titeln, sammanfattningen, agentens namn, samtalets längd), eller plocka ut varje rad kunden sa.
const res = await vs.transcriptions.export(tx.id, 'json', { summary: true });
const call = await res.json();
const note = { subject: sum.title, body: sum.summary, minutes: Math.round(call.durationS / 60) };
// Your code posts `note` to the ticket: VocalStack has no CRM or helpdesk connector.
Excel för granskaren. XLSX-exporten har ett blad Transcript med en rad per replik och kolumnerna #, Start, End, Start (s), End (s), Speaker, Text, Confidence och Corrected. Med summary=true har bladet About sammanfattningen bredvid samtalets namn, språk och längd. En QA-ansvarig kan filtrera på agentens rader, lägga till en kolumn för poäng eller kommentarer och behålla en arbetsbok per granskning.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Support på mer än ett språk fungerar på samma sätt. Lägg till lang=en i en export så läses filen på engelska, en rad per mening, översatt där samtalet var på spanska eller polska; en granskare som läser ett språk kan poängsätta samtal som tagits på flera. PDF-exporten passar den som vill läsa ett helt samtal på papper, med talare och tidsstämplar.
En transkription finns kvar i kontot efter att den har exporterats, så samtalen växer till ett bibliotek. Taggar grupperar dem: skapa en per kö eller team med POST /v1/tags och sätt den på transkriptioner med POST /v1/tags/{id}/transcriptions.
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
GET /v1/search söker sedan i det som sades i alla samtal, avgränsat efter tagg och datum: varje samtal i faktureringskön den här månaden där någon sa "cancel", varje träff med sitt samtal och den sekund det sades.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Allt ovan fungerar också utan kod. En fil som laddas upp på Transcriptions → New märks, sammanfattas och exporteras från sin sida, talare sparas under Speakers, och taggar och sökning finns i listan Transcriptions.
Vissa luckor är bra att känna till innan något ställs in.
Lagringstiden beror på abonnemanget; prissidan visar hur länge ljud och transkriptioner sparas för varje. En transkription kan arkiveras, och en arkiverad kan raderas med POST /v1/transcriptions/{id}/purge, vilket tar bort den och allt i den för gott.
Till lanseringspriserna kostar inspelade samtal $0.20 per timme ljud, faktureras per sekund ($0.0033 per minut), med ett minimum på 5 minuter per transkription på Pay as you go (inget på Premium eller Enterprise). De aktuella priserna finns på prissidan. Talarmarkeringar, namngivning av talare, sammanfattningar, översättningar och exporter ökar aldrig fakturan.
Supportsamtal är ofta korta, så minimum avgör mer av ett supportteams faktura än priset gör. På Pay as you go:
På Premium och Enterprise finns inget minimum, så varje samtal faktureras efter sina egna sekunder: röstmeddelandet på 40 sekunder kostar ungefär en femtedels cent, och de 1 000 samtalen på tre minuter ungefär $10. Ett team som mest tar korta samtal bör jämföra de två utifrån sina egna samtalslängder.
Till lanseringspriserna skickar ett team som spelar in 2 000 samtal i månaden med ett genomsnitt på 8 minuter 16 000 minuter ljud: ungefär $53 i tillgodohavande per månad på Premium, sammanfattningar och kalkylblad inräknade. På Pay as you go bidrar varje samtal under 5 minuter till mer.
Livetranskribering kostar mer ($0.60 per timme till lanseringspriserna), eftersom den hänger med i samtalet; om ingen behöver orden under samtalet, transkribera inspelningen efteråt. Ett nytt konto börjar med ett engångstillgodohavande vid registrering och inget kort behövs, så stegen ovan kan prövas på en omgång av dina egna samtal innan något köps.